Классификация методик выделения QRS - комплексов

Алгоритмы группы используют нейросетевые методы обработки данных и обычно применяются для анализа морфологии и классификации элементов ЭКГ. Нейросетевые модели позволяют значительно более эффективно адаптироваться к нестационарному характеру ЭКГ, поэтому в задачах выделения QRS-комплексов используются при адаптивной согласованной фильтрации [10]. Чувствительность методик варьируется в широком диапазоне, но в целом достигает 99%.

Группу г составляют синтаксические алгоритмы, также известные как лингвистические или грамматические. Исходный анализируемый сигнал представляется в виде определенной последовательности примитивов, определяются специальные правила (грамматики), порождающие тот или иной элемент ЭКГ из множества примитивов. Выделение элементов ЭКГ сводится к определению порождающей грамматики [10].

Сердечный цикл

Группу д составляют различные комбинации методов, обычно являющиеся синтезом алгоритмов групп в и б или в и а. Особенно выигрышным оказалось первое сочетание, поскольку подобный подход позволяет достичь максимальной на сегодняшний день чувствительности - 99,9% на тестовых подборках ЭКГ. К недостаткам методов этой группы стоит отнести требовательность к вычислительным ресурсам.

Проведенный анализ показал, что методики групп б, в, г и д требуют в единицу времени на порядок больше элементарных математических операций, чем методы группы а, при этом чувствительность и эффективность QRS-детектора обычно повышается на 1-3%. Более того, необходим достаточно больший интервал времени для адаптации параметров детектора, что делает подобные алгоритмы трудно применимыми для систем реального времени, когда необходимо получение ЧСС с первых секунд после начала съема ЭКГ. Вейвлет-анализаторы обычно применяются при автоматизированном анализе уже записанной длительной ЭКГ и отличаются повышенной устойчивостью к шумам, нейросетевые алгоритмы активно применяются для классификации элементов ЭКГ.